4.2 Perturbations dérivées par nudging d’anomalie
4.2.3 Simulations de la saison d’hiver (DJF)
4.2.3.1 Prévisions déterministes : impact sur la moyenne d’ensemble
Le tableau4.3contient les scores moyens de mACC et les fourchettes de 5% à 95% obtenus avec des tirages de 9 membres parmi les 15 des ensembles INI et DS sur plusieurs régions du globe pour la température à 2 mètres (T2m), les précipitations et le géopotentiel à 500 hPa (Z500). Les scores de mACC de la température de surface sur la région Niño 3.4 sont améliorés de manière significative avec les perturbations stochastiques. Par contre, s’il n’y a que très peu de différences entre les ensembles INI et DS sur les tropiques, les scores de mACC de Z500 et de T2m sur l’hémisphère Nord extra-tropical sont significativement dégradés pour l’ensemble DS.
4.2 Perturbations dérivées par nudging d’anomalie
(a) INI (b) DS
Figure 4.2 – Biais (en m) sur l’hémisphère Nord du Z500 de la saison DJF des ensembles INI et DS.
négligeable, en particulier pour la fonction de courant. Ce terme moyen est dû à la tendance qu’a le modèle couplé à s’écarter de sa propre climatologie lorsqu’il est nudgé en mode ano- malie, et ne correspond pas aux erreurs que va faire le modèle par rapport aux données de référence lorsqu’il est libre en cours de prévision. Dans le cas où ces deux valeurs ne sont pas de même signe, la perturbation du modèle par les termes δX éloignera encore le modèle de la réalité (dans notre cas, des réanalyses Era-Interim considérées comme telles). La figure
4.2montre le biais en DJF de Z500 vis-à-vis d’Era-Interim des ensembles REF et INI sur la période d’étude. Le modèle couplé a une hauteur de géopotentiel plus basse qu’Era-Interim sur l’hémisphère Nord pendant l’hiver, et ces biais moyens sont modifiés par l’introduction de perturbations stochastiques issues du nudging d’anomalie. En particulier, les gradients de biais sont amplifiés sur le Pacifique Nord et sur l’Atlantique, ce qui pourrait avoir une influence sur la circulation atmosphérique sur ces régions.
4.2.3.2 Prévisions probabilistes
Les scores de RPSS et la décomposition en fiabilité et résolution sont donnés dans le tableau
4.4pour plusieurs paramètres pour DJF 1989–2010. La différence entre les scores sur la région Niño 3.4 et les autres zones d’étude est frappante. Sur cette région, la résolution des ensembles atteint presque la valeur de l’incertitude. Nous retrouvons généralement les mêmes différences de scores entre les ensembles INI et DS que pour le mACC. Les scores sont équivalents sur les tropiques et meilleurs pour l’Enso, mais moins bons sur l’hémisphère Nord (et même nettement dégradés dans le cas du Z500). Il est intéressant de nuancer les résultats en termes de RPSS par les composantes de fiabilité et résolution : si pour la T2m sur la région Niño 3.4 les deux composantes sont améliorées par la dynamique stochastique, pour les précipitations sur les tropiques, la baisse du score de RPSS est due principalement à une dégradation de
Ensemble INI DS
Paramètre Région Rel/Unc Res/Unc RPSS Rel/Unc Res/Unc RPSS
T2m Niño 3.4 0.201 0.959 0.758 0.202 0.970 0.768
Précipitations Tropiques 0.557 0.597 0.041 0.555 0.590 0.035
Z500 HN 0.479 0.512 0.033 0.505 0.506 0.001
T2m HN 0.543 0.546 0.003 0.539 0.537 -0.002
Tableau 4.4 – Scores de RPSS et décomposition en termes de fiabilité (Rel, divisé ici par l’incertitude Unc) et résolution (Res) pour les ensembles INI (à gauche) et DS (à droite) de prévisions saisonnières de DJF 1989–2010.
la résolution de l’ensemble. Pour le Z500 sur l’hémisphère Nord, les deux composantes sont détériorées avec la dynamique stochastique, tandis que pour la T2m la fiabilité est légèrement améliorée mais cette amélioration est compensée par une baisse de la résolution.
Notons que le terme de fiabilité est lié à la calibration du modèle, et peut donc être amélioré a posteriori. Il est plus difficile d’obtenir des améliorations de la résolution. L’augmentation de la résolution sur la région Niño 3.4 est donc un apport incontestable de la méthode sur cette région, alors qu’elle échoue sur les autres régions étudiées.
4.2.3.3 Impact sur la variabilité intra-saisonnière
Un point fondamental à explorer est celui de l’impact des perturbations stochastiques sur les caractéristiques du modèle à l’échelle intra-saisonnière. A trop vouloir perturber la dynamique du modèle, l’a-t-on secoué au point de lui faire créer des états irréalistes et trop instables ? Les travaux de Jung et al. (2005) ont par exemple montré que la méthode SPPT avait peu d’influence sur les régimes de temps sur le Pacifique Nord simulés par le modèle de prévision à moyen terme du CEPMMT, mais que la méthode CASBS permettait d’améliorer les fréquences de ces régimes.
On s’intéresse ici à l’impact de la dynamique stochastique sur les régimes de temps de la région Atlantique Nord – Europe, définie par les latitudes de 20 à 80◦N et les longitudes de 90◦W à 30◦E. Les régimes de temps hivernaux (DJF) sur cette région sont calculés suivant la méthode suggérée par Michelangeli et al. (1995) sur la période des réanalyses Era-Interim (1979–2010) en utilisant les séries quotidiennes du champ de géopotentiel à 500 hPa (voir la partie2.3.3pour plus de détails). Les différents ensembles sont comparés en projetant les séries de Z500 corrigées de leur biais moyen sur la base des EOF déterminée à partir des réanalyses Era-Interim, puis en calculant la distance euclidienne de ces projections à chacun des quatre régimes. Un seuil de 3 jours est fixé de manière à éliminer les champs de Z500 n’appartenant pas à un régime particulier, correspondant à une transition entre deux types de temps. Cette méthode permet de calculer les fréquences et durées moyennes prévues pour chaque régime et chaque saison DJF de la période de rétro-prévision.
Le tableau 4.5recense les durées moyennes et les fréquences de chaque régime pour DJF 1989–2010 dans les réanalyses Era-Interim et les ensembles INI et DS. La durée de chaque régime est réduite avec l’introduction de la dynamique stochastique, alors que les durées moyennes de l’ensemble INI étaient assez proches des réanalyses. Ceci montre que l’introduc- tion des perturbations va pousser le modèle à explorer plus rapidement l’espace des phases en passant plus rapidement d’un régime à un autre. Ce point est également confirmé par le
4.2 Perturbations dérivées par nudging d’anomalie
Durée (jours) Fréquence
Régime ERA-I INI DS ERA-I INI DS
DA 6.17 6.35 5.72 0.16 0.17 0.021 0.17 0.016
Zonal 9.68 8.03 6.88 0.32 0.29 0.019 0.29 0.032 Blocage 7.65 7.22 6.74 0.25 0.23 0.012 0.21 0.018 NAO− 8.51 8.76 8.24 0.18 0.20 0.033 0.19 0.032
Tableau 4.5 – Durée (en jours) et fréquence moyenne (en %) de chaque régime pour les réanalyses Era-Interim et les ensembles INI et DS (moyenne d’ensemble et écart-type en italique) pour DJF 1989–2010.
nombre de jours non classés (régimes de durée inférieure à 3 jours) qui est quasiment doublé par l’introduction de la dynamique stochastique. En matière de fréquences d’occurrence des régimes, peu de changement entre INI et DS est visible. Tous deux reproduisent des fréquences climatologiques proches des réanalyses. Seule la fréquence du régime de blocage est légèrement dégradée par l’introduction de la dynamique stochastique. L’écart-type des membres est lé- gèrement diminué pour le régime Dorsale Atlantique, tandis qu’il augmente pour les régimes Zonal et Blocage.
Les scores de corrélation des fréquences saisonnières de chacun des régimes sont donnés dans le tableau 4.6. La dégradation des prévisions avec l’introduction de la dynamique sto- chastique est alors évidente, puisque tous les scores sont moins bons que ceux avec l’ensemble INI. Au vu des résultats obtenus en termes de mACC pour Z500, cette conclusion n’est pas surprenante. On peut également calculer un score probabiliste comparant la distance entre fréquences prévues et fréquences observées pour les quatre régimes dans les prévisions et les données des réanalyses. Pour les prévisions, cette distance s’écrit
BSmod= 4 X ir=1 1 N N X y=1
fmody (ir) − fobsy (ir)2
tandis que pour la climatologie on écrit
BSclim= 4 X ir=1 1 N N X y=1 fyi6=y obs (ir) − f y obs(ir) 2
Ces distances s’apparentent à des scores de Brier pour les régimes. Un Brier Skill Score ou BSS est défini en calculant
BSS = 1 − BSmod BSclim
Dans la dernière colonne du tableau4.6on note que ce score reste inchangé par l’introduction de la dynamique stochastique.
Régime DA Zonal Blocage NAO− BSS
INI 0.26 0.19 0.39 0.10 0.21
DS 0.12 0.13 0.03 0.04 0.19
Tableau 4.6 – Corrélation des fréquences moyennes prévues par INI et DS avec les fréquences des réanalyses pour chacun des régimes, et score de BSS (voir texte).
Ensemble INI DS
Paramètre Région 5% 95% mACC 5% 95% mACC
T2m Niño 3.4 0.726 0.756 0.741 0.734 0.763 0.750 T2m Tropiques 0.367 0.379 0.373 0.384 0.399 0.392 T2m HN (30◦N–75◦N) 0.166 0.198 0.182 0.148 0.185 0.167 Précipitations Tropiques 0.355 0.371 0.363 0.375 0.390 0.382 Z500 HN (30◦N–75◦N) 0.104 0.188 0.147 0.018 0.084 0.050 Z500 HS (30◦S–75◦S) 0.130 0.216 0.173 0.070 0.168 0.119
Tableau 4.7 – Idem tableau 4.3, pour la saison JJA.